۶ کیو· متوسطمتوسطPYTHON۴ ثانیه · ۲۵۶ مگابایت

شبکه‌ی عصبی تک‌لایه: گذر رو به جلو

یک شبکه‌ی عصبی با یک لایه‌ی پنهان از $K$ واحد و فعال‌سازی ReLU، $g(z) = \max(0, z)$ :

A_k = g\Big(w_{k0} + \sum_{j=1}^{p}w_{kj}X_j\Big) \qquad f(X) = \beta_0 + \sum_{k=1}^{K}\beta_kA_k

تابع forward(X, W, beta) برای هر ردیف $X$ (شکل $n \times p$ ) خروجی $f(X)$ را برمی‌گرداند. W ماتریس $K \times (p + 1)$ است که ستون اول آن عرض از مبدأهای $w_{k0}$ است، و beta برداری به طول $K + 1$ که اولین عضوش $\beta_0$ است.

نمونه‌ها

ورودی نمونه ۱

[[[0.35, 0.82], [0.33, -1.3], [0.91, 0.45]], [[-0.38, 0.41, 0.26], [0.21, 0.02, 0.38]], [-0.52, -0.11, -0.34]]

خروجی نمونه ۱

[-0.6997, -0.52, -0.6678]

ورودی نمونه ۲

[[[0.19, -0.52, -0.41], [-2.44, 1.8, 1.14], [-0.33, 0.77, 0.28], [-0.55, 0.98, -0.31]], [[-0.23, -0.55, 0.32, -0.07], [0.38, -0.43, 0.09, -0.62], [0.59, 0.13, 0.23, 0.29], [-0.71, 0.55, 1.44, -1.15]], [-1.21, -1.05, 0.59, 0.09, 0.75]]

خروجی نمونه ۲

[-0.8778, -2.2852, -1.0783, -0.4838]

برای نوشتن پاسخ و دریافت امتیاز، ابتدا وارد حساب شوید.

ورود